arXiv · 31.07.2026 ·Машинное обучение

Новый метод дифференциально приватного поиска мод распределения DP-GRAMS

Исследователи представили DP-GRAMS — алгоритм для поиска мод плотности распределения данных, обеспечивающий строгую дифференциальную приватность. Метод опирается на принципы mean-shift и позволяет эффективно работать с многомерными данными в условиях ограничений на конфиденциальность. Разработка открывает возможности для безопасного кластерного анализа и регрессионного моделирования на чувствительных наборах данных, сохраняя при этом высокую точность локализованных оценок.

Традиционные методы оценки мод распределения часто уязвимы для атак на приватность, так как могут раскрывать информацию об отдельных записях в обучающей выборке. Новый подход решает эту проблему за счет математически обоснованного добавления шума, который не нарушает структуру данных, но скрывает вклад конкретных объектов. Это делает алгоритм пригодным для использования в задачах, где требуется соблюдение строгих регуляторных норм по защите персональных данных.

Алгоритм демонстрирует устойчивость при работе с данными, обладающими локальной гладкостью и кривизной. В отличие от классических подходов, DP-GRAMS учитывает условия разделения мод, что позволяет корректно идентифицировать кластеры даже в сложных многомерных пространствах. Метод может быть интегрирован в пайплайны анализа данных, требующие гарантий анонимности без существенной потери интерпретируемости результатов.

Ключевые факты

DP-GRAMS — это метод, основанный на алгоритме mean-shift, адаптированный для работы в условиях дифференциальной приватности.
Алгоритм предназначен для восстановления мод плотности в многомерных распределениях при соблюдении строгих математических гарантий конфиденциальности.
Метод успешно применяется для задач кластеризации и регрессии, обеспечивая баланс между приватностью и статистической эффективностью.
Исследование фокусируется на условиях локальной гладкости, кривизны и разделения мод, необходимых для корректной работы алгоритма в приватном режиме.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Новый метод обучения нейросетей с дифференциальной приватностью DP-IVON-Gradsq Исследователи представили алгоритм DP-IVON-Gradsq, объединяющий методы байесовского глубокого обучения с принципами дифференциальной приватности. Новый подход позволяет эффективно обучать нейронные сети на чувствительных данных, сохраняя при этом возможность оценки неопределенности прогнозов. Метод решает проблему конфликта между шумом, вносимым для обеспечения приватности, и стохастичностью, характерной для байесовского вывода. arXiv · Машинное обучение Метод Dithered Gaussian Mechanism для повышения эффективности дифференциальной приватности Исследователи представили механизм Dithered Gaussian, предлагающий новый подход к обеспечению дифференциальной приватности в машинном обучении. В отличие от традиционного дискретного гауссовского механизма, новый метод выполняет дискретизацию выходных данных, а не самого шума. Это позволяет сохранять строгие гарантии приватности, значительно снижая требования к вычислительным ресурсам и объему генерируемой случайности при обучении моделей. arXiv · Исследования и наука Новый алгоритм P-DDIM для решения обратных задач с помощью диффузионных моделей Исследователи представили алгоритм P-DDIM, предназначенный для решения линейных обратных задач с использованием диффузионных априорных распределений. Метод базируется на архитектуре DDIM и обеспечивает теоретические гарантии сходимости при значительно меньших вычислительных затратах по сравнению с существующими аналогами. Разработка позволяет эффективнее восстанавливать данные в задачах, где требуется инверсия линейных преобразований при наличии шума. arXiv · Безопасность и алайнмент Новый подход к оценке приватности данных через предсказуемость Исследователи представили концепцию «приватности через предсказуемость» (privacy via predictability), которая предлагает альтернативу традиционной дифференциальной приватности (DP). В отличие от классических методов, ориентированных на защиту от «худшего сценария» и часто снижающих точность моделей, новый подход позволяет более гибко настраивать баланс между защитой данных и полезностью алгоритмов. Метод учитывает конкретные знания злоумышленника о наборе данных, что делает оценку рисков более точной и менее затратной для производительности систем. arXiv · Машинное обучение Новый метод обучения байесовских моделей PYPM-GGD для неконъюгированных распределений Исследователи представили метод PYPM-GGD, расширяющий возможности байесовской непараметрики для крупномасштабных данных. Алгоритм использует смесь процессов Питмана-Йора с обобщенной гауссовской плотностью и оптимизацию ADAM. Это позволяет эффективно обучать модели в условиях неконъюгированных апостериорных распределений, где традиционные методы стохастического вариационного вывода (SVI) сталкиваются с серьезными ограничениями и вычислительными трудностями. arXiv · Машинное обучение Исследование: дифференциальная приватность в гауссовых процессах Учёные изучили вопрос приватности при публикации выборок из гауссовых процессов (GP), когда весь обучающий набор данных, включая ковариаты и ответы, является конфиденциальным. В отличие от стандартных механизмов дифференциальной приватности (DP), которые добавляют внешний шум, выборка из постереориорного распределения случайна по своей природе. arXiv · Машинное обучение Новый подход к обучению распределений на основе данных из нескольких источников Исследователи представили математическую модель обучения неизвестного распределения вероятностей на основе ограниченных условных выборок от множества гетерогенных поставщиков данных. Метод позволяет эффективно восстанавливать целевое распределение, даже когда доступ к данным ограничен конкретными подмножествами домена, что критически важно для сценариев с распределенными или частично пересекающимися наборами данных от различных провайдеров. arXiv · Машинное обучение Новый метод децентрализованной регрессии рангов для распределенных сетей Исследователи представили новый фреймворк для сверточной ранговой регрессии (CRR), адаптированный для децентрализованных сетей. Метод позволяет узлам сети вычислять оценки параметров, решая задачи оптимизации с ограничениями консенсуса и использованием ядерно-сглаженных функций потерь. Подход обеспечивает высокую точность обучения на локальных данных без необходимости передачи исходной информации на центральный сервер, что повышает приватность и масштабируемость распределенных систем. arXiv · Машинное обучение Новые теоретические гарантии для алгоритма Bregman ADMM в невыпуклой оптимизации Исследователи представили анализ алгоритма Bregman ADMM для решения задач невыпуклой оптимизации с линейными ограничениями. Авторы заменили стандартное предположение о липшицевости градиента на условие относительной гладкости, основанное на сравнении гессианов относительно ядра Брегмана. Это позволяет эффективно оптимизировать сложные полиномиальные целевые функции в матричных и тензорных моделях, где глобальная константа Липшица зачастую отсутствует. arXiv · Данные и инжиниринг Новый метод поиска вероятностных функциональных зависимостей в данных Исследователи представили расширение системы Desbordante, внедряющее поддержку поиска вероятностных функциональных зависимостей (PFD). Традиционные методы поиска жестких зависимостей часто оказываются неэффективными при работе с «грязными» данными, содержащими ошибки и пропуски. Новый подход позволяет алгоритмам выявлять закономерности в реальных наборах данных, значительно повышая точность задач очистки, дедупликации и поиска аномалий в сложных информационных системах.

← Все материалы